OpenCV中的「SVM分类器」：基本原理、函数解析和示例代码_python opencv svm 图像分类

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

正文

SVM旨在找到一个划分超平面，使得划分后的分类结果是最鲁棒的，对未见过的样本泛化性最好2。

在样本空间中，划分超平面可以用这个方程进行描述：

w

T

x

b

=

0

\boldsymbol{w}^T\boldsymbol{x}+b=0

wTx+b=0，其中

w

=

(

w

1

;

w

2

;

.

.

.

;

w

d

)

\boldsymbol{w}=(w_1;w_2;…;w_d)

w=(w1​;w2​;…;wd​)为法向量，决定超平面的方向，b为位移项，决定超平面与原点之间的距离。

对于线性可分的样本空间，需要找到具有最大间隔（maximum margin）的划分超平面，即找到能使下式最大化的参数

w

\boldsymbol{w}

w和b2：

min

⁡

w

,

b

1

2

∣

∣

w

∣

∣

2

\min_{w,b}{\frac{1}{2}||\boldsymbol{w}||^2}

w,bmin​21​∣∣w∣∣2s.t.

y

i

(

w

T

x

i

b

)

≥

1

,

i

=

1

,

2

,

.

.

.

,

m

y_i(\boldsymbol{w}^T\boldsymbol{x_i}+b)≥1,i=1,2,…,m

yi​(wTxi​+b)≥1,i=1,2,…,m

对于线性不可分的样本空间，可以将样本从原始空间映射到另一个高维特征空间，从而使样本在这个特征空间内线性可分。由于特征空间的维数可能很高，难以计算，所以通过引入核函数，可以将高维特征空间中的内积（dot product）转化为低维特征空间中的通过核函数计算的结果。

常用核函数2：

为了减少过拟合，引入软间隔（soft margin）概念，允许支持向量机在一些样本上出错：

y

i

(

w

T

x

i

b

)

≥

1

y_i(\boldsymbol{w}^T\boldsymbol{x_i}+b)≥1

yi​(wTxi​+b)≥1

用参数C来约束分类出错的样本，松弛变量

ξ

i

ξ_i

ξi​表示训练样本距离对应的正确决策边界的距离，对于分类正确的样本距离即为03，所以实际累加的是出错样本的距离。

优化问题调整为：

m

i

n

w

,

b

0

∣

∣

w

∣

∣

2

C

∑

i

ξ

i

min_{\boldsymbol{w},b_0}{||\boldsymbol{w}||^2+C\sum_i{ξ_i}}<